Pacific Slate

一句话定位

一位 MBA 学生写给自己的自托管多 agent 私人助理：模型（可租的）和数据 （自己的）彻底分开，所有数据永远在自己服务器上。

做这个东西的人

builder 字段标为 badwx（HN 用户名）。官网自述：一位在读 MBA 学生， 有妻子和两个孩子，没有正式软件开发背景。开发方式是"AI 原生"—— 自己设计系统架构（组件、连接方式、预算），让编码 AI agent 写大部分代码。 系统自 2026 年初开始运行，每天用到 2026 年 8 月。

判断：这不是产品，是一个"1 人系统的架构参考"。它的价值不在于被多少人用， 在于它证明了一个非程序员可以用自托管 + 多模型 + 成本控制这套设计， 搭出一个每天用的私人 AI 系统。

它到底能做哪几件事

• 自主信息流 → 定时从邮件、日历、GitHub、HN、Reddit、arXiv、RSS、 天气、市场、地震数据等来源抓取，按相关性/重要性/新颖性打分筛选，生成简报
• 多 agent 协作 → 1 个 operator + 7 个专家 agent（编码、研究、分析、 生产力、审查、评估），基于 Google ADK 构建，每个 agent 有最小权限
• 模型无关 → 通过 MCP 网关 + OpenAI 兼容端点暴露能力，换模型只是一次 配置变更，不动记忆、数据、工具和路由
• 四层记忆 → 知识语料库、连续性图、语义记忆、分层上下文， 记得用户偏好和过往决策
• 成本路由 → 一个确定性评分器（不用模型）给提示复杂度打 1-5 分， 结合月度预算使用率决定用哪个模型层级；有月度预算上限
• 可靠性工程 → 健康追踪 + 冷却处理限流、首 token 超时看门狗、 降级链（首选模型失败自动切备用）、最终失败返回明确提示
• 可追溯 + 数据主权 → 每个答案带来源引用；所有数据存自己服务器、 可导出可删除、不用于训练模型；发往外部的请求走零数据保留端点

运行形态：前端 Next.js 画布 + 后端 Starlette + 24 个 MCP 工具服务器 经网关访问（用 BM25 搜索找工具，而不是把所有工具 schema 塞进上下文）； 答案以卡片形式呈现，每张卡片标注模型、成本、耗时。

它在替代什么旧行为

对作者本人，它替代的是三类旧动作：

向多个 AI 程序反复解释自己。换模型、换工具就要重讲一遍背景—— 一个能自我更新、记住偏好、数据私有的统一系统终结了这件事。

长对话线程。以前一个任务一条对话，拉不到头。现在是画布上可移动的 卡片，每张标清楚是哪个模型干的、花了多少钱、用了多久。

对单一模型的依赖。以前换供应商是迁移，现在是改一行配置。

对一般读者，它替代的是"订阅一堆 AI 服务"的替代方案——用 $50-80/月 重建一个私有版本，数据全在自己手上。

商业模式

无。 不是产品，是个人系统 + 开源蓝图（官网称"几乎全部开源"）。 作者给出的重建成本估算：编码助手约 $20/月、小服务器约 $20/月、 按量模型调用 $10-40/月，合计 $50-80/月。

判断：这不该按"商业模式"评估。真正的问题是：这个架构蓝图能不能被别人 复用——如果能，它会成为自托管 AI 社区的一份高价值参考。

硬数字

• 运行至今：13,053 次运行、26,515 次模型调用、使用 9 个模型
• 性能：模型调用中位延迟 3.1 秒、90% 延迟 14 秒
• 知识库：约 14,000 份文档 / 196,000 个文本段落
• 用户数：1（作者本人）；明确不面向企业级或多租户
• HN 5 分 / 0 评论（2026-08-11），几乎无人讨论
• 团队：1 人 + AI 编码 agent 作为开发伙伴

四维评估

判断

这是"1 人系统的架构参考"，不是产品，按数据的规矩给有待观察。 HN 5 分 0 评论，没有用户、没有商业意图——但它不该按产品标准评分， 它应该按"蓝图"标准看。

三个值得抄的设计： 一是确定性成本路由。用规则（复杂度 1-5 分 × 预算使用率）而非模型 来决定用哪个模型层级——省掉"让 LLM 自己决定花多少钱"这种自相矛盾。 二是模型无关作为第一原则。换模型不动记忆、数据、工具和路由， 把"不绑定供应商"从口号变成了架构事实。 三是工具经网关 + BM25 检索。24 个 MCP 服务器不往上下文里塞， 需要时用检索找工具——和 mcptoon 是同一思路的不同实现。

最大的问号：一个非程序员用 AI agent 写出来的系统，可靠性数字 （3.1 秒中位延迟、13,053 次运行）是自报的，架构图也是自述的， 没有第三方验证，也没有代码仓库链接可以直接核（官网未见 repo 直链）。 所以它是"值得借鉴的设计文档"，但每一条数字都要打折看。

下一步看什么

① 代码是否真的开源（可下载、可复刻）——蓝图的价值取决于能否被他人复用 ② 月度成本是否稳定在 $50-80——成本数字是它最可证伪的主张 ③ 有没有人基于它做出团队版/开源项目——被复用是这个架构真正起作用的证据

可借鉴的做法

产品逻辑：给 agent 定"用哪个模型"这件事，别让 LLM 自己决定—— 用一个确定性评分器（复杂度打分 × 预算水位）做路由，可控、可解释、 可审计。任何做多模型产品的团队都可以直接抄这套路由逻辑。

定价结构：无商业模式，但它拆解出的成本项（编码助手 $20 + 服务器 $20 + 模型调用 $10-40）本身就是一份定价参考——自托管方案的卖点就是 "总成本低于订阅费之和"。

结论

有待观察，但值得收藏。 它不是产品，是一份"1 人 + AI agent 搭出 私有 AI 系统"的完整设计文档，其中成本路由、模型无关、工具检索三处 设计有真实的可迁移价值。数据全部自报、代码未见直链，按数据给观察级， 但这份蓝图值得任何人做自托管方案时参考。三个月后看它是否真开源、被复用。